Multi-view hybrid graph convolutional network for volume-to-mesh reconstruction in cardiovascular MRI | ||
| dc.conicet.organizacion | Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Santa Fe. Instituto de Investigación en Señales, Sistemas e Inteligencia Computacional. Universidad Nacional del Litoral. Facultad de Ingeniería y Ciencias Hídricas. Instituto de Investigación en Señales, Sistemas e Inteligencia Computacional | |
| dc.conicet.organizacion | University Of Leeds. | |
| dc.conicet.organizacion | University Of Leeds. | |
| dc.conicet.organizacion | Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Santa Fe. Instituto de Investigación en Señales, Sistemas e Inteligencia Computacional. Universidad Nacional del Litoral. Facultad de Ingeniería y Ciencias Hídricas. Instituto de Investigación en Señales, Sistemas e Inteligencia Computacional | |
| dc.conicet.organizacion | University Of Leeds. | |
| dc.conicet.organizacion | University Of Leeds. | |
| dc.conicet.organizacion | Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Santa Fe. Instituto de Investigación en Señales, Sistemas e Inteligencia Computacional. Universidad Nacional del Litoral. Facultad de Ingeniería y Ciencias Hídricas. Instituto de Investigación en Señales, Sistemas e Inteligencia Computacional | |
| dc.conicet.organizacion | University of Manchester | |
| dc.conicet.organizacion | Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Santa Fe. Instituto de Investigación en Señales, Sistemas e Inteligencia Computacional. Universidad Nacional del Litoral. Facultad de Ingeniería y Ciencias Hídricas. Instituto de Investigación en Señales, Sistemas e Inteligencia Computacional | |
| dc.contributor.author | Gaggion Zulpo, Rafael Nicolás | |
| dc.contributor.author | Matheson, Benjamin A. | |
| dc.contributor.author | Xia, Yan | |
| dc.contributor.author | Bonazzola, Rodrigo | |
| dc.contributor.author | Ravikumar, Nishant | |
| dc.contributor.author | Taylor, Zeike A. | |
| dc.contributor.author | Milone, Diego Humberto | |
| dc.contributor.author | Frangi, Alejandro | |
| dc.contributor.author | Ferrante, Enzo | |
| dc.date.issued | 2025-05 | |
| dc.description.abstract | Cardiovascular magnetic resonance imaging is emerging as a crucial tool to examine cardiac morphology and function. Essential to this endeavour are anatomical 3D surface and volumetric meshes derived from CMR images, which facilitate computational anatomy studies, biomarker discovery, and in-silico simulations. Traditional approaches typically follow complex multi-step pipelines, first segmenting images and then reconstructing meshes, making them time-consuming and prone to error propagation. In response, we introduce HybridVNet, a novel architecture for direct imageto-mesh extraction seamlessly integrating standard convolutional neural networks with graph convolutions, which we prove can efficiently handle surface and volumetric meshes by encoding them as graph structures. To further enhance accuracy, we propose a multi-view HybridVNet architecture which processes both long axis and short axis CMR, showing that it can increase the performance of cardiac MR mesh generation. Our model combines traditional convolutional networks with variational graph generative models, deep supervision and mesh-specific regularisation. Experiments on a comprehensive dataset from the UK Biobank confirm the potential of HybridVNet to significantly advance cardiac imaging and computational cardiology by efficiently generating high-fidelity meshes from CMR images. Multi-view HybridVNet outperforms the state-of-the-art, achieving improvements of up to ∼27% reduction in Mean Contour Distance (from 1.86 mm to 1.35 mm for the LV Myocardium), up to ∼18% improvement in Hausdorff distance (from 4.74 mm to 3.89mm, for the LV Endocardium), and up to ∼8% in Dice Coefficient (from 0.78 to 0.84, for the LV Myocardium), highlighting its superior accuracy. | es_ES |
| dc.description.fil | Fil: Gaggion Zulpo, Rafael Nicolás. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Santa Fe. Instituto de Investigación en Señales, Sistemas e Inteligencia Computacional. Universidad Nacional del Litoral. Facultad de Ingeniería y Ciencias Hídricas. Instituto de Investigación en Señales, Sistemas e Inteligencia Computacional; Argentina | |
| dc.description.fil | Fil: Matheson, Benjamin A.. University Of Leeds.; Reino Unido | |
| dc.description.fil | Fil: Xia, Yan. University Of Leeds.; Reino Unido | |
| dc.description.fil | Fil: Bonazzola, Rodrigo. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Santa Fe. Instituto de Investigación en Señales, Sistemas e Inteligencia Computacional. Universidad Nacional del Litoral. Facultad de Ingeniería y Ciencias Hídricas. Instituto de Investigación en Señales, Sistemas e Inteligencia Computacional; Argentina | |
| dc.description.fil | Fil: Ravikumar, Nishant. University Of Leeds.; Reino Unido | |
| dc.description.fil | Fil: Taylor, Zeike A.. University Of Leeds.; Reino Unido | |
| dc.description.fil | Fil: Milone, Diego Humberto. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Santa Fe. Instituto de Investigación en Señales, Sistemas e Inteligencia Computacional. Universidad Nacional del Litoral. Facultad de Ingeniería y Ciencias Hídricas. Instituto de Investigación en Señales, Sistemas e Inteligencia Computacional; Argentina | |
| dc.description.fil | Fil: Frangi, Alejandro. University of Manchester; Reino Unido | |
| dc.description.fil | Fil: Ferrante, Enzo. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Santa Fe. Instituto de Investigación en Señales, Sistemas e Inteligencia Computacional. Universidad Nacional del Litoral. Facultad de Ingeniería y Ciencias Hídricas. Instituto de Investigación en Señales, Sistemas e Inteligencia Computacional; Argentina | |
| dc.format | application/pdf | es_ES |
| dc.identifier.citation | Gaggion Zulpo, Rafael Nicolás; Matheson, Benjamin A.; Xia, Yan; Bonazzola, Rodrigo; Ravikumar, Nishant; et al.; Multi-view hybrid graph convolutional network for volume-to-mesh reconstruction in cardiovascular MRI; Elsevier Science; Medical Image Analysis; 104; 103630; 5-2025; 1-16 | es_ES |
| dc.identifier.institucional | CONICET | |
| dc.identifier.issn | 1361-8415 | es_ES |
| dc.identifier.repo | CONICET Digital | |
| dc.identifier.uri | http://hdl.handle.net/11336/300033 | |
| dc.journal.number | 103630 | es_ES |
| dc.journal.pagination | 1-16 | es_ES |
| dc.journal.pais | Países Bajos | es_ES |
| dc.journal.title | Medical Image Analysis | es_ES |
| dc.journal.volume | 104 | es_ES |
| dc.language.iso | eng | es_ES |
| dc.publisher | Elsevier Science | es_ES |
| dc.relation.alternativeid | info:eu-repo/semantics/altIdentifier/doi/http://dx.doi.org/10.1016/j.media.2025.103630 | |
| dc.relation.alternativeid | info:eu-repo/semantics/altIdentifier/url/https://www.sciencedirect.com/science/article/abs/pii/S136184152500177X | |
| dc.relation.alternativeid | info:eu-repo/semantics/altIdentifier/url/https://arxiv.org/abs/2311.13706 | |
| dc.rights | info:eu-repo/semantics/openAccess | |
| dc.rights.uri | https://creativecommons.org/licenses/by-nc-sa/2.5/ar/ | |
| dc.subject | Graph Convolutional Networks | es_ES |
| dc.subject | Volume-to-mesh | es_ES |
| dc.subject | Reconstruction | es_ES |
| dc.subject | Cardiovascular MRI | es_ES |
| dc.subject.classification | Ciencias de la Información y Bioinformática | es_ES |
| dc.subject.classification | Ciencias de la Computación e Información | es_ES |
| dc.subject.classification | CIENCIAS NATURALES Y EXACTAS | es_ES |
| dc.title | Multi-view hybrid graph convolutional network for volume-to-mesh reconstruction in cardiovascular MRI | es_ES |
| dc.type | info:eu-repo/semantics/article | |
| dc.type | info:ar-repo/semantics/artículo | |
| dc.type | info:eu-repo/semantics/publishedVersion | |
Archivos
Bloque original
Cargando...
- Nombre:
- CONICET_Digital_Nro.cfedae5e-5501-42d1-9c6c-edaedf377b3d_B.pdf
- Tamaño:
- 5.37 MB
- Formato:
- Adobe Portable Document Format